RFM مشتریان را بر اساس تازگی خرید، تکرار خرید و ارزش خرید از هم جدا میکند. قدرت آن در سادگی و توضیحپذیری است؛ اما تفسیر نتیجه باید با چرخه خرید و فصل کسبوکار هماهنگ باشد. RFM بهتنهایی نمیگوید چه کسی با یک اقدام تغییر رفتار میدهد یا چرا یک مشتری کمفعال شده است.
RFM مشتریان را بر اساس سه معیار گروهبندی میکند: آخرین خرید، تعداد خرید و ارزش خرید. این مدل برای دیدن تفاوت رفتار مشتریان ساده و قابل توضیح است، اما بهتنهایی علت رفتار یا پاسخ به کمپین را ثابت نمیکند. هر گروه RFM باید به یک تصمیم یا سناریوی مشخص وصل شود.
برندهایی که از لژیون استفاده کردهاند
برای حل مسئله باید گسست اصلی میان داده، تصمیم و اقدام مشخص شود؛ نه اینکه فقط ابزار بیشتری به فرایند اضافه شود.
برچسبهایی مثل «در معرض ریزش» نباید بهعنوان پیشبینی قطعی یا علت رفتار تفسیر شوند. دو مشتری با مجموع خرید مشابه ممکن است رفتار کاملاً متفاوتی داشته باشند. یکی ممکن است اخیراً چند بار خرید کرده باشد و دیگری مدت زیادی غیرفعال باشد. نگاه فقط به مبلغ کل این تفاوت مهم را پنهان میکند.
زمان آخرین خرید سیگنال مهمی برای رابطه فعلی مشتری است. بدون تازگی خرید، مشتری قدیمی و غیرفعال میتواند کنار مشتری فعال قرار بگیرد و کمپین یا پیشنهاد یکسانی دریافت کند.
اگر مشتریان ویژه صرفاً یک برچسب دستی یا حدس باشد، تشخیص مشتریان باارزش قابل تکرار نیست. تازگی، تکرار و ارزش خرید (RFM) کمک میکند بخشی از این تعریف با معیارهای رفتاری و مالی روشنتر ساخته شود. پیش از اتومیشن، باید معلوم باشد این مسئله با کدام داده قابل تشخیص است.
وقتی فقط پس از مدت طولانی متوجه غیرفعال شدن مشتری میشویم، فرصت اقدام زودتر از دست میرود. مشاهده تغییرات تازگی، تکرار و ارزش خرید (RFM) میتواند افت رفتار را زودتر آشکار کند.
نتیجه مطلوب باید در رفتار واقعی مشتری یا کیفیت تصمیم تیم دیده شود؛ نه فقط در تعداد تنظیمات، گزارشها یا پیامها.
مشتریانی با خرید تازه، تکرار مناسب و ارزش قابل توجه از سایر گروهها جدا میشوند و میتوان برای حفظ رابطه با آنها برنامه متفاوتی داشت. مدل پیچیدهتر فقط وقتی بهتر است که ارزش تصمیمگیری بیشتری از یک خط مبنا شفاف مانند RFM ایجاد کند.
افت تازگی خرید یا تغییر گروه میتواند نشانهای باشد که مشتری از الگوی قبلی خود فاصله گرفته و نیاز به بررسی یا سناریوی بازگشت دارد.
بهجای اجرای یک اقدام برای تمام پایگاه مشتریان، میتوان گروههایی را که ارزش یا احتمال پاسخ بیشتری دارند جدا و برای هرکدام هدف متفاوت تعریف کرد.
جابهجایی مشتریان میان گروههای تازگی، تکرار و ارزش خرید (RFM) کمک میکند مسیر رشد، افت یا بازیابی آنها در طول زمان دیده شود.
قابلیتها باید در کنار هم یک مسیر روشن بسازند؛ از شناخت و تحلیل تا تصمیم، اقدام و اتصال به سیستمهای مرتبط.
تازگی خرید فاصله زمانی از آخرین خرید را بررسی میکند. هرچه خرید مشتری تازهتر باشد، معمولاً وضعیت ارتباط او با برند فعالتر است. این شاخص برای تشخیص مشتریان تازهفعال یا کسانی که مدت بیشتری از آخرین خریدشان گذشته کاربرد دارد.
تکرار خرید نشان میدهد مشتری در بازه مورد بررسی چند بار خرید کرده است. این بعد برای تشخیص مشتریان پرتکرار و مقایسه آنها با خریداران اتفاقی کاربرد دارد و در کنار تازگی خرید تصویر دقیقتری از رفتار میسازد.
ارزش خرید ارزش مالی خریدهای مشتری را بررسی میکند. این معیار کمک میکند گروههایی با ارزش اقتصادی بالاتر شناسایی شوند، اما بهتر است بهتنهایی برای تعریف وفاداری استفاده نشود و در کنار تازگی و تکرار دیده شود.
امتیازها و ابعاد تازگی، تکرار و ارزش خرید (RFM) میتوانند مشتریان را در گروههای قابل فهمتری قرار دهند. نام و مرز هر گروه باید با رفتار واقعی کسبوکار تطبیق داده شود تا تحلیل تبدیل به طبقهبندی معنادار شود.
مشاهده اینکه مشتری از یک گروه به گروه دیگر رفته است، تغییر رفتار را نشان میدهد. این گزارش برای تشخیص حرکت از وفاداری به ریسک ریزش یا برعکس، بازگشت مشتری به وضعیت فعال کاربرد دارد.
خروجی تازگی، تکرار و ارزش خرید (RFM) میتواند مبنای ساخت سگمنت مشتریان و سفر مشتری باشد. به این ترتیب تحلیل فقط در گزارش باقی نمیماند و میتوان برای گروههای مختلف پیام، مزیت یا اقدام مشخص تعریف کرد.
سگمنتبندی مشتریانسناریو زمانی مفید است که نقطه شروع، کاربرد و نتیجه مورد انتظار آن روشن باشد.
مشتریانی که هم تازگی و هم تکرار و ارزش مناسبی دارند میتوانند در برنامه نگهداشت جداگانه قرار بگیرند. هدف این سناریو معمولاً جلوگیری از افت رفتار و حفظ تجربه مطلوب است، نه صرفاً دادن تخفیف بیشتر.
مشتریای که سابقه خوبی داشته اما زمان بیشتری از آخرین خریدش گذشته است با مشتری کمارزش تفاوت دارد. تازگی، تکرار و ارزش خرید (RFM) کمک میکند این گروه جدا شود و سناریوی بازگشت متناسب با سابقه قبلی او اجرا شود. برچسبهایی مثل «در معرض ریزش» نباید بهعنوان پیشبینی قطعی یا علت رفتار تفسیر شوند.
مشتریانی که بهتازگی اولین یا دومین خرید خود را انجام دادهاند ممکن است ارزش مالی بالایی نداشته باشند اما تازگی خرید خوبی دارند. برای این گروه میتوان روی ایجاد تکرار و تبدیل به مشتری فعال تمرکز کرد. اگر مشتری رفتار هدف را انجام داد، مسیر باید بتواند متوقف یا تغییر کند.
برخی مشتریان دفعات خرید بالایی دارند اما ارزش مالی هر خرید پایینتر است. این گروه ممکن است برای پیشنهاد مکمل، افزایش سبد یا طراحی مزیت متفاوت مناسب باشد و نباید با مشتریان پرارزش یکسان دیده شود. مقایسه با رفتار طبیعی مشتری کمک میکند اثر سناریو بیشبرآورد نشود.
اگر مشتریان وفادار بهمرور به گروههای کمفعالتر منتقل شوند، این تغییر میتواند یک هشدار عملیاتی باشد. تحلیل جابهجایی کمک میکند افت رفتار قبل از قطع کامل رابطه دیده شود. مدل پیچیدهتر فقط وقتی بهتر است که ارزش تصمیمگیری بیشتری از یک خط مبنا شفاف مانند RFM ایجاد کند.
مسیر اجرا از هدف و داده شروع میشود و تا تصمیم، اقدام و بازبینی نتیجه ادامه دارد.
هویت مشتری، تاریخ سفارش و ارزش تراکنشها باید قابل اتکا باشند تا محاسبات تازگی، تکرار و ارزش خرید (RFM) بر پایه داده ناقص یا تاریخهای اشتباه انجام نشوند.
بازه زمانی و قواعد تحلیل با چرخه خرید کسبوکار هماهنگ میشوند؛ زیرا رفتار مناسب برای رستوران با کالای بادوام یکسان نیست.
تازگی، تکرار و ارزش مالی برای مشتریان محاسبه میشوند و توزیع داده برای تعیین مرز گروهها بررسی میشود.
گروهها بر اساس معنای رفتاری تفسیر میشوند تا عنوانهایی مانند وفادار، باارزش یا در معرض ریزش فقط نام نباشند و منطق مشخص داشته باشند.
گروههای تازگی، تکرار و ارزش خرید (RFM) در سگمنت مشتریان، کمپین یا اتومیشن استفاده میشوند و تغییر رفتار آنها در طول زمان برای بهینهسازی سناریوها بررسی میشود. مدل پیچیدهتر فقط وقتی بهتر است که ارزش تصمیمگیری بیشتری از یک خط مبنا شفاف مانند RFM ایجاد کند.
منبع داده و روش اتصال باید روشن باشد؛ چون کیفیت هویت مشتری و زمان ایونت روی نتیجه مستقیم اثر میگذارند.
تاریخ، مبلغ و هویت مشتری مبنای اصلی محاسبه تازگی، تکرار و ارزش خرید (RFM) هستند. در اتصال، هویت مشتری و زمان واقعی ایونت باید حفظ شوند.
داده خرید آنلاین میتواند برای تحلیل مشتریان فروشگاه اینترنتی استفاده شود.
اتصال ووکامرس به لژیونفاکتورهای حضوری برای تحلیل رفتار خرید آفلاین قابل انتقالاند.
اتصال سیستم فروش به لژیونداده تراکنشی یا رویدادهای تکمیلی از سیستمهای اختصاصی قابل ارسالاند. نمونه رکورد را از سیستم مبدأ تا استفاده نهایی از ابتدا تا انتها کنترل کنید.
اتصال رابط برنامهنویسی (API) به لژیونایجنت هوش مصنوعی میتواند تغییر گروههای تازگی، تکرار و ارزش خرید (RFM) را روی داده مجاز بررسی کند، توضیح دهد کدام بخش تازگی خرید، تکرار خرید یا ارزش خرید تغییر کرده و برای گروههایی مانند در معرض ریزش اقدام بعدی پیشنهاد کند.
تبدیل درخواست به منطق قابل بررسی
نمایش مسیر پیش از اجرا
رعایت محدوده مجوز و سطح دسترسی
اجرای عملیات مجاز در همان پروژه
«مشتریان در معرض ریزش این ماه چه تغییری کردهاند؟»
مسیر استاندارد مرحلهای پیش میرود تا هر بخش قبل از توسعه دامنه قابل بررسی باشد.
از داده تا تست و پایش نتیجه
پیادهسازی مرحلهای کمک میکند کیفیت داده، منطق سناریو و نتیجه واقعی قبل از گسترش دامنه بررسی شود.
منابعی که داده مشتری، خرید، تعامل یا عضویت را تولید میکنند مشخص میشوند. هدف این مرحله تعیین کیفیت داده، نحوه شناسایی مشتری و وابستگیهای فنی است تا طراحی سناریو روی داده ناقص یا متناقض انجام نشود.
مدل مناسب برای سگمنتبندی، وفاداری، ارتباط با مشتری و شاخصهای اندازهگیری طراحی میشود. مشخص میکنیم هر داده در کدام بخش محصول استفاده شود و چه قواعدی برای اجرای سناریو لازم است. دامنه فاز اول را عمداً محدود نگه دارید تا وابستگیها روشن بمانند.
اتصال سیستمهای فروش، فروشگاه اینترنتی، فایلها یا رابط برنامهنویسی (API) انجام میشود و دادهها با ساختاری قابل استفاده وارد لژیون میشوند. در صورت وجود داده تاریخی، تاریخ و هویت واقعی مشتری باید حفظ شود. تاریخ ایونت و هویت واقعی مشتری در انتقال داده نباید از بین بروند.
بخشهای مشتری، قواعد، سفرهای مشتری، پیامها، مزایا و سایر تنظیمات مرتبط با هدف سناریو ساخته میشوند. تمرکز این مرحله روی تبدیل طراحی به سناریویی قابل اجرا و قابل اندازهگیری است.
جریان داده، قوانین و مسیرهای اصلی تست میشوند. سپس تیم کسبوکار با منطق استفاده از سیستم آشنا میشود و استقرار با توجه به دسترسیها، کیفیت داده و پیچیدگی یکپارچهسازی انجام میشود.
پاسخ کوتاه به پرسشهایی که معمولاً هنگام بررسی این راهکار، نیازهای فنی و مسیر راهاندازی مطرح میشوند.
RFM مخفف تازگی خرید، تکرار خرید و ارزش خرید است: مشتری آخرین بار چه زمانی خرید کرده، چند بار خرید کرده و ارزش خرید او چقدر بوده است. کنار هم گذاشتن این سه بعد کمک میکند تفاوت الگوی خرید مشتریان دیده شود، بدون اینکه فقط به مجموع فروش تکیه کنیم.
پاسخ سؤال ۱خیر. هر کسبوکاری که خرید یا تراکنش تکرارشونده و هویت قابل اتکای مشتری داشته باشد میتواند از منطق تازگی، تکرار و ارزش خرید (RFM) استفاده کند. مهم این است که تاریخ و ارزش تراکنشها درست ثبت شده باشند و بازه تحلیل با چرخه طبیعی خرید در همان صنعت تناسب داشته باشد. برچسبهایی مثل «در معرض ریزش» نباید بهعنوان پیشبینی قطعی یا علت رفتار تفسیر شوند.
پاسخ سؤال ۲تازگی، تکرار و ارزش خرید (RFM) میتواند سیگنالهای مفیدی برای شناسایی ریسک ریزش ارائه دهد، بهخصوص وقتی تازگی خرید مشتری نسبت به الگوی قبلی افت میکند. با این حال تعریف دقیق در معرض ریزش باید با چرخه خرید و رفتار تاریخی همان کسبوکار تنظیم شود و یک آستانه عمومی برای همه صنایع مناسب نیست. برچسبهایی مثل «در معرض ریزش» نباید بهعنوان پیشبینی قطعی یا علت رفتار تفسیر شوند.
پاسخ سؤال ۳معمولاً نه. مشتریای که یک خرید بسیار بزرگ اما قدیمی داشته است با مشتریای که بهصورت مستمر و تازه خرید میکند تفاوت دارد. یکی از مزیتهای تازگی، تکرار و ارزش خرید (RFM) همین است که ارزش مالی را در کنار تازگی و تکرار میبیند و تعریف متوازنتری از رفتار مشتری ارائه میدهد. برچسبهایی مثل «در معرض ریزش» نباید بهعنوان پیشبینی قطعی یا علت رفتار تفسیر شوند.
پاسخ سؤال ۴فرکانس مناسب بررسی RFM به چرخه خرید و فصل کسبوکار بستگی دارد. در کسبوکار پرتکرار، تغییر چند هفتهای میتواند مهم باشد؛ در خریدهای دورهای همان فاصله ممکن است کاملاً طبیعی باشد. همچنین مقایسه بازههای نامتناسب میتواند نتیجه را بایاس کند؛ بنابراین بازه تحلیل باید با رفتار واقعی و نوسان فصلی همان کسبوکار هماهنگ شود.
پاسخ سؤال ۵تازگی، تکرار و ارزش خرید (RFM) یک مدل مشخص برای تحلیل رفتار تراکنشی بر اساس سه بعد است، در حالی که سگمنتبندی میتواند از هر ترکیب داده و شرطی استفاده کند. خروجی تازگی، تکرار و ارزش خرید (RFM) میتواند خودش به سگمنت مشتریان تبدیل شود یا در کنار ویژگیهای دیگر برای ساخت گروههای دقیقتر استفاده شود.
پاسخ سؤال ۶حداقل باید بتوان هر تراکنش را به مشتری درست متصل کرد و تاریخ و ارزش خرید را داشت. کیفیت داده اهمیت زیادی دارد؛ تاریخ اشتباه، رکورد تکراری یا هویت ناقص میتواند نتیجه تحلیل را منحرف کند. قبل از استفاده عملی، داده تاریخی باید از نظر این موارد بررسی شود. مدل پیچیدهتر فقط وقتی بهتر است که ارزش تصمیمگیری بیشتری از یک خط مبنا شفاف مانند RFM ایجاد کند.
پاسخ سؤال ۷در جلسه دمو، ابتدا مسئله، منبع داده و رفتار هدف روشن میشوند؛ سپس درباره سناریوی قابل اجرا و روش سنجش آن صحبت میکنیم. مدل پیچیدهتر فقط وقتی بهتر است که ارزش تصمیمگیری بیشتری از یک خط مبنا شفاف مانند RFM ایجاد کند.
سگمنتبندی مشتریانافزایش خرید مجدداتومیشن بازاریابی مشتریانپلتفرم داده مشتریباشگاه مشتریانداشبورد کسبوکار
